訂閱
糾錯
加入自媒體

Python中使用機器學習進行人體姿勢

姿態(tài)檢測是計算機視覺領域的一個活躍研究領域。你可以從字面上找到數(shù)百篇研究論文和幾個試圖解決姿勢檢測問題的模型。

之所以有如此多的機器學習愛好者被姿勢估計所吸引,是因為它的應用范圍很廣,而且實用性很強。

在本文中,我們將介紹一種使用機器學習和 Python 中一些非常有用的庫進行姿勢檢測和估計的應用。

什么是姿態(tài)估計?

姿態(tài)估計是一種跟蹤人或物體運動的計算機視覺技術。這通常通過查找給定對象的關鍵點位置來執(zhí)行。基于這些關鍵點,我們可以比較各種動作和姿勢并得出見解。姿態(tài)估計在增強現(xiàn)實、動畫、游戲和機器人領域得到了積極的應用。

目前有幾種模型可以執(zhí)行姿態(tài)估計。下面給出了一些姿勢估計的方法:

1.Open pose

2.Pose net

3.Blaze pose

4.Deep Pose

5.Dense pose

6.Deep cut

選擇任何一種模型而不是另一種可能完全取決于應用程序。此外,運行時間、模型大小和易于實現(xiàn)等因素也可能是選擇特定模型的各種原因。因此,最好從一開始就了解你的要求并相應地選擇模型。

在本文中,我們將使用 Blaze pose檢測人體姿勢并提取關鍵點。該模型可以通過一個非常有用的庫輕松實現(xiàn),即眾所周知的Media Pipe。

Media Pipe——Media Pipe是一個開源的跨平臺框架,用于構(gòu)建多模型機器學習管道。它可用于實現(xiàn)人臉檢測、多手跟蹤、頭發(fā)分割、對象檢測和跟蹤等前沿模型。

Blaze Pose Detector ——大部分姿態(tài)檢測依賴于由 17 個關鍵點組成的 COCO 拓撲結(jié)構(gòu),而Blaze姿態(tài)檢測器預測 33 個人體關鍵點,包括軀干、手臂、腿部和面部。包含更多關鍵點對于特定領域姿勢估計模型的成功應用是必要的,例如手、臉和腳。每個關鍵點都使用三個自由度以及可見性分數(shù)進行預測。Blaze Pose是亞毫秒模型,可用于實時應用,其精度優(yōu)于大多數(shù)現(xiàn)有模型。該模型有兩個版本:Blazepose lite 和 Blazepose full,以提供速度和準確性之間的平衡。

Blaze 姿勢提供多種應用程序,包括健身和瑜伽追蹤器。這些應用程序可以通過使用一個額外的分類器來實現(xiàn),比如我們將在本文中構(gòu)建的分類器。

2D 與 3D 姿態(tài)估計

姿勢估計可以在 2D 或 3D 中完成。2D 姿態(tài)估計通過像素值預測圖像中的關鍵點。而3D姿態(tài)估計是指預測關鍵點的三維空間排列作為其輸出。

為姿態(tài)估計準備數(shù)據(jù)集

我們在上一節(jié)中了解到,人體姿勢的關鍵點可以用來比較不同的姿勢。在本節(jié)中,我們將使用Media Pipe庫本身來準備數(shù)據(jù)集。我們將拍攝兩個瑜伽姿勢的圖像,從中提取關鍵點并將它們存儲在一個 CSV 文件中。

該數(shù)據(jù)集包含 5 個瑜伽姿勢,但是,在本文中,我只采用了兩個姿勢。如果需要,你可以使用所有這些,程序?qū)⒈3植蛔儭?/p>

在上面的代碼片段中,我們首先導入了有助于創(chuàng)建數(shù)據(jù)集的必要庫。然后在接下來的四行中,我們將導入提取關鍵點所需的模塊及其繪制工具。

接下來,我們創(chuàng)建一個空的 Pandas 數(shù)據(jù)框并輸入列。這里的列包括由Blaze姿態(tài)檢測器檢測到的 33 個關鍵點。每個關鍵點包含四個屬性,即關鍵點的 x 和 y 坐標(從 0 到 1 歸一化),z 坐標表示以臀部為原點且與 x 的比例相同的地標深度,最后是可見度分數(shù)?梢娦苑謹(shù)表示地標在圖像中可見或不可見的概率。

count = 0
for img in os.listdir(path):
       temp = []
       img = cv2.imread(path + "/" + img)
       imageWidth, imageHeight = img.shape[:2]
       imgRGB = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
       blackie = np.zeros(img.shape) # Blank image
       results = pose.process(imgRGB)
       if results.pose_landmarks:

# mpDraw.draw_landmarks(img, results.pose_landmarks, mpPose.POSE_CONNECTIONS) #draw landmarks on image

mpDraw.draw_landmarks(blackie, results.pose_landmarks, mpPose.POSE_CONNECTIONS) # draw landmarks on blackie

landmarks = results.pose_landmarks.landmark

for i,j in zip(points,landmarks):

temp = temp + [j.x, j.y, j.z, j.visibility]

data.loc[count] = temp

count +=1
       cv2.imshow("Image", img)
       cv2.imshow("blackie",blackie)
       cv2.waitKey(100)

data.to_csv("dataset3.csv") # save the data as a csv file

在上面的代碼中,我們單獨遍歷姿勢圖像,使用Blaze姿勢模型提取關鍵點并將它們存儲在臨時數(shù)組“temp”中。

迭代完成后,我們將這個臨時數(shù)組作為新記錄添加到我們的數(shù)據(jù)集中。你還可以使用Media Pipe本身中的繪圖實用程序來查看這些地標。

在上面的代碼中,我在圖像以及空白圖像“blackie”上繪制了這些地標,以僅關注Blaze姿勢模型的結(jié)果?瞻讏D像“blackie”的形狀與給定圖像的形狀相同。

應該注意的一件事是,Blaze姿態(tài)模型采用 RGB 圖像而不是 BGR(由 OpenCV 讀取)。

獲得所有圖像的關鍵點后,我們必須添加一個目標值,作為機器學習模型的標簽。你可以將第一個姿勢的目標值設為 0,將另一個設為 1。之后,我們可以將這些數(shù)據(jù)保存到 CSV 文件中,我們將在后續(xù)步驟中使用該文件創(chuàng)建機器學習模型。

你可以從上圖中觀察數(shù)據(jù)集的外觀。

創(chuàng)建姿勢估計模型

現(xiàn)在我們已經(jīng)創(chuàng)建了我們的數(shù)據(jù)集,我們只需要選擇一種機器學習算法來對姿勢進行分類。在這一步中,我們將拍攝一張圖像,運行 blaze 姿勢模型(我們之前用于創(chuàng)建數(shù)據(jù)集)以獲取該圖像中人物的關鍵點,然后在該測試用例上運行我們的模型。

該模型有望以高置信度給出正確的結(jié)果。在本文中,我將使用 sklearn 庫中的 SVC(支持向量分類器)來執(zhí)行分類任務。

from sklearn.svm import SVC

data = pd.read_csv("dataset3.csv")

X,Y = data.iloc[:,:132],data['target']

model = SVC(kernel = 'poly')

model.fit(X,Y)

mpPose = mp.solutions.pose

pose = mpPose.Pose()

mpDraw = mp.solutions.drawing_utils

path = "enter image path"

img = cv2.imread(path)

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

results = pose.process(imgRGB)

if results.pose_landmarks:
       landmarks = results.pose_landmarks.landmark
       for j in landmarks:

temp = temp + [j.x, j.y, j.z, j.visibility]
       y = model.predict([temp])
       if y == 0:

asan = "plank"
       else:

asan = "goddess"

print(asan)
       cv2.putText(img, asan, (50,50), cv2.FONT_HERSHEY_SIMPLEX,1,(255,255,0),3)
       cv2.imshow("image",img)

在上面的代碼行中,我們首先從 sklearn 庫中導入了 SVC(支持向量分類器)。我們已經(jīng)用目標變量作為 Y 標簽訓練了我們之前在 SVC 上構(gòu)建的數(shù)據(jù)集。

然后我們讀取輸入圖像并提取關鍵點,就像我們在創(chuàng)建數(shù)據(jù)集時所做的那樣。

最后,我們輸入臨時變量并使用模型進行預測,F(xiàn)在可以使用簡單的 if-else 條件檢測姿勢。

模型結(jié)果

從上面的圖像中,你可以觀察到模型已經(jīng)正確地對姿勢進行了分類。你還可以在右側(cè)看到Blaze姿勢模型檢測到的姿勢。

在第一張圖片中,如果你仔細觀察,一些關鍵點是不可見的,但姿勢分類是正確的。由于Blaze姿態(tài)模型給出的關鍵點屬性的可見性,這是可能的。

結(jié)論

姿勢檢測是機器學習領域的一個活躍研究領域,并提供了多種實際應用。在本文中,我們嘗試開發(fā)一個這樣的應用程序,并通過姿勢檢測來解決問題。

我們了解了姿勢檢測和幾個可用于姿勢檢測的模型。出于我們的目的選擇了 blaze 姿勢模型,并了解了它相對于其他模型的優(yōu)缺點。

最后,我們使用 sklearn 庫中的支持向量分類器構(gòu)建了一個分類器來對瑜伽姿勢進行分類。為此,我們還構(gòu)建了自己的數(shù)據(jù)集,可以使用更多圖像進一步擴展。

你也可以嘗試其他機器學習算法而不是 SVM,并相應地比較結(jié)果。

聲明: 本文由入駐維科號的作者撰寫,觀點僅代表作者本人,不代表OFweek立場。如有侵權(quán)或其他問題,請聯(lián)系舉報。

發(fā)表評論

0條評論,0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁,請輸入驗證碼繼續(xù)

暫無評論

暫無評論

人工智能 獵頭職位 更多
掃碼關注公眾號
OFweek人工智能網(wǎng)
獲取更多精彩內(nèi)容
文章糾錯
x
*文字標題:
*糾錯內(nèi)容:
聯(lián)系郵箱:
*驗 證 碼:

粵公網(wǎng)安備 44030502002758號